在社会信息化浪潮下,信息技术不断融入各个行业,越来越多地服务于人类社会的生产与生活。同时现实世界与网络空间的融合不断加强,数据也向着高阶高维发展,呈现出多属性特征,许多场景中涌现了大量多维度、多属性的数据,例如工业、医疗、交通等。传统的向量与矩阵的表达方式已经不能完全满足当下各行各业对多属性数据的分析需求。作为高阶数据结构的张量是低阶数据在高维空间的推广,张量能够很好地表达不同阶所对应属性之间的联系,是向量、矩阵等分析工具的有力补充。张量分解将张量化数据分解为多个具有某种特殊性质的张量因子,是张量分析的重要工具。传统的张量分解方法得到的结果往往是通过单模乘相联系的,然而单模乘对应单个属性,因子之间的联系单一,不能充分利用张量的多属性特征。本文所研究的张量多属性奇异值分解是一种新颖的张量分解方法,与传统的将张量分解为因子之间单模乘的形式不同,这种方法将张量分解为因子之间通过多模乘运算相乘的形式,有利于从多个模态提取张量的特征。同时可以通过截取操作,在保留数据的主要信息的同时能够有效降低数据规模。在许多的实际应用场景中,数据会源源不断得产生,因此要不断地更新张量数据。简单地合并历史数据与增量数据进行直接分解的方式不能有效利用已有的分解结果,会造成计算资源的浪费,针对这种情况,为提高计算过程的经济性,本文研究了多属性奇异值分解方法的增量方法。本文以张量为核心,研究内容归纳总结如下:提出了张量的多属性奇异值分解方法,经典的张量分解方法其分解结果多是因子之间单模乘的形式,单模乘只对应一个模,多模乘对应多个模,基于此本文研究并提出了张量的多属性奇异值分解方法,分解张量得到的结果为因子之间通过多模乘运算相乘的形式;针对增量场景下的多属性奇异值分解,讨论不同增长阶情况下的合并规律,给出了张量多属性奇异值方法的增量方法。并进行了多属性奇异值分解的数值实验以及在多属性信号处理方面的应用实验,验证了多属性奇异值分解在特征提取方面应用的可行性。